Програмний засіб для класифікації та синтезу біомедичних зображень
-
Published:2024-05-23
Issue:4
Volume:34
Page:120-127
-
ISSN:2519-2477
-
Container-title:Scientific Bulletin of UNFU
-
language:
-
Short-container-title:SBUNFU
Abstract
Розроблено програмний засіб для класифікації та синтезу біомедичних зображень. Встановлено потребу штучного розширення наборів даних біомедичних зображень через їх обмежену доступність, що створює перешкоду для розвитку діагностичних інструментів. З'ясовано, що розроблений програмний засіб може вирішити цю проблему, генеруючи синтетичні, але реалістичні медичні зображення, що можуть слугувати додатковими даними для навчання класифікаторів. Розроблено функціональні вимоги до програмного засобу, а також його архітектуру, використовуючи сучасні технології програмування та проектування програмних засобів. Програмний засіб спроектовано, використовуючи модульну архітектуру, що дає змогу масштабувати кожен модуль незалежно від навантаження. Охарактеризовано закономірності архітектури програмного засобу, що містить клієнт-серверну взаємодію, базу даних MongoDB та використання брокера повідомлень RabbitMQ для асинхронного обміну даними між модулями програмного засобу. Основними модулями програмного засобу є: набори даних (відповідає за керування навчальними зображеннями), класифікатори (відповідає за навчання та використання згорткових нейронних мереж для класифікації зображень) та генератори (відповідає за навчання за використання генеративно-змагальних мереж для синтезу зображень). Програмний засіб розроблено, використовуючи різні мови програмування (Python, TypeScript) та сучасні технології (NodeJS, RabbitMQ, PyTorch, MongoDB, React). Також спроєктовано структуру бази даних, використовуючи логічну модель на підставі UML-діаграми класів. Показано ефективність використання згорткових нейронних мереж та генеративно-змагальних мереж для класифікації та синтезу біомедичних зображень, відповідно. Зроблено висновок про наукову новизну і практичну значущість розробленого програмного засобу, який відкриває нові можливості для медичної діагностики та досліджень, забезпечуючи гнучкість та масштабованість у синтезі та аналізі біомедичних зображень.
Publisher
Ukrainian National Forestry University
Reference22 articles.
1. Alenoghena, C. O., Ohize, H. O., Adejo, A. O., Onumanyi, A. J., Ohihoin, E. E., Balarabe, A. I., & Alenoghena, B. (2023). Telemedicine: A survey of telecommunication technologies, developments, and challenges. Journal of Sensor and Actuator Networks, 12(2), 20 p. https://doi.org/10.3390/jsan12020020 2. Berezsky, O., Liashchynskyi, P., Pitsun, O., Liashchynskyi, P., & Berezkyy, M. (2022). Comparison of Deep Neural Network Learning Algorithms for Biomedical Image Processing. The 5th International Conference on Informatics & Data-Driven Medicine (IDDM 2022) will be held in University Lumière Lyon 2, Lyon, France, 135–145. URL: https://www.researchgate.net/publication/367190420_Comparison_of_Deep_Neural_Network_Learning_Algorithms_for_Biomedical_Image_Processing 3. Berezsky, O., Pitsun, O., Liashchynskyi, P., Derysh, B., & Batryn, N. (2022). Computational Intelligence in Medicine. In International Scientific Conference "Intellectual Systems of Decision Making and Problem of Computational Intelligence", 488–510. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-031-16203-9_28 4. Dhivya, S., Mohanavalli, S., Karthika, S., Shivani, S., & Mageswari, R. (2020). GAN based data augmentation for enhanced tumor classification. In 2020 4th international conference on computer, communication and signal processing (ICCCSP), 1–5. https://doi.org/10.1109/ICCCSP49186.2020.9315189 5. Doo, F. X., Kulkarni, P., Siegel, E. L., Toland, M., Paul, H. Y., Carlos, R. C., & Parekh, V. S. (2024). Economic and Environmental Costs of Cloud Technologies for Medical Imaging and Radiology Artificial Intelligence. Journal of the American College of Radiology, 21(2), 248–256. https://doi.org/10.1016/j.jacr.2023.11.011
|
|